Computer-assisted lesion classification and intervention planning for prostate cancer
Notice bibliographique
Résumé
Multi-parametric magnetic resonance imaging (mp-MRI) is emerging as a useful tool for classifying prostate cancer (PCa); however, it suffers from two major limitations: (1) complex, multi-dimensional signals make interpretation challenging and (2) inter-observer variability of lesion classification between physicians. Critically needed are methods for augmenting the interpretability of mp-MRI to assist in lesion classification. To meet this need, we leveraged a patient cohort with post-surgery pathologist-annotated transverse histology images registered to pre-surgery in-vivo mp-MRI with a measured target registration error. We developed a radiomics-based machine learning model trained on annotations for PCa vs. non-PCa, and found that a 5-feature Naïve-Bayes classifier classified these two types of regions in leave-one-patient-out cross-validation with an area under the receiver operating characteristic curve of 0.80. We then investigated augmentation of mp-MRI interpretability via additional imaging using prostate-specific membrane antigen positron emission tomography (PSMA-PET). Using patients imaged on a PET/MRI hybrid-scanner, we investigated segmentation recommendations for classifying the dominant intraprostatic lesion. For focal therapy, we found an optimal threshold of 67% SUVmax and an 8.4 mm margin produced mean voxel-wise sensitivity of 95% with mean specificity 76%. For guided biopsy, we found that a threshold of 81% SUVmax and a 5.2 mm margin produced a mean sensitivity of 65% and mean specificity of 95%. Furthermore, we assessed the effect of boosting high-dose-rate brachytherapy treatment plans towards these segmentations. We found that dose to the underlying high-grade cancer was significantly increased in targeted plans, compared to whole-gland plans, while maintaining all dose constraints.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».